本发明公开了基于改进密度峰值聚类的信号依赖噪声参数估计方法。通过滑动窗口从含有噪声的图像中提取样本，计算均值、熵和梯度作为特征数据。再输入聚类算法中进行聚类，区分弱纹理样本与强纹理样本。在聚类的过程中，引入了相对密度的概念，通过数据点与周围数据的距离，划分了比较范围，计算每个比较范围中数据点的相对密度，最后选择相对密度高的数据点作为聚类中心，解决了传统的DPC算法在对密度不均匀数据集进行聚类时往往忽视稀疏簇中心，从而影响聚类精度的问题。根据聚类结果，对簇标签为弱纹理的样本进行像素水平估计与噪声估计，最后通过最小二乘法拟合像素值‑噪声方差估计对，得到原始图像的噪声参数估计值，实现去噪的准备工作。
📄 2021114060972
📂 G06F18_23
👤 杭州电子科技大学
📅 2021-11-24
本发明公开了一种CMOS图像信号相关噪声参数估计方法。图像灰度熵虽然对于无噪图像的纹理分析有较好的结果，但对于包含噪声的图像并不是十分理想。本发明的步骤如下：一、在目标图像中提取出多个大小为d×d的图像块。二、对每一个提取出的图像块利用局部二进制模式方法计算纹理强度。三、将各图像块按照纹理强度从小到大进行排序；取前M个图像块作为低纹理图像块。四、计算各低纹理图像块的各低纹理图像块的像素估计值和噪声方差估计值。五、得到目标图像的信号相关噪声参数。本发明通过改进的局部二值模式定义了一种较为精确的计算图像块纹理强度的新方法，并将其应用到低纹理图像块的选择中。
📄 2019105891791
📂 G06T7_00
👤 杭州电子科技大学
📅 2019-07-02
本发明涉及一种基于平行因子分解的近场极化MIMO雷达参数估计方法，通过建立基于交叉偶极子—磁环天线均匀线阵的双基地MIMO雷达的系统模型,发射端由2M+1个交叉偶极子—磁环天线构成的均匀线性发射阵列，接收端由2N+1个交叉偶极子—磁环天线构成的均匀线性接收阵列，发射阵元间距和接收阵元间距分别用dt和dr表示；对K个不相关的近场窄带完全极化目标进行定位，第k个目标的二维发射角和二维接收角分别用θtk和θrk表示，其中k＝1,2,...K，该方法能够在交叉偶极子—磁环天线均匀线性阵列的前提下，精确地计算得到二维发射角、二维接收角、二维发射极化角、二维接收极化角以及目标位置坐标这些参数，方法简单灵活。
📄 2021113817260
📂 G01S7_42
👤 宁波大学
📅 2021-11-22
本发明涉及一种基于精确模型的近场极化MIMO雷达参数估计方法，包括：建立双基地MIMO雷达系统，利用极化信息对双基地MIMO雷达系统中的发射角、接收角、发射极化角以及接收极化角进行估计，整个过程不需要进行谱峰搜索，效率高，其估计得到的参数能够自动配对，无相位模糊问题，准确率高，且适用于任意阵元间距和相位不确定性的非均匀线性阵列。
📄 2022105981696
📂 G01S7_41
👤 宁波大学
📅 2022-05-30
本发明涉及一种基于平行因子分解的空时近场源三维参数估计方法，该方法包括:建立一个十字交叉阵列接收模型，在十字交叉阵列接收模型中建立三维直角坐标系，所述十字交叉阵列接收模型由位于X轴上的均匀线阵和位于Y轴上的的均匀线阵组成；设定存在K个近场目标，第k个近场目标Sk以电角和距离rk入射到十字交叉阵列上，将得到的距离估计值 和 作差来实现参数 和的配对；本发明基于平行因子分解技术，充分利用信号的时域信息和空域信息，借助增强的三阶结构获得更好性能的同时大大降低了计算复杂度。在近场背景下，还没有提出此类估计算法。
📄 2022110877917
📂 G01S5_06
👤 宁波大学
📅 2022-09-07
一种基于L型阵列的二维非相干分布式非圆信号参数估计方法，是将L型阵列接收到的入射信号数据及接收到的数据共轭形成一个新的扩展数据矢量；基于新的扩展数据矢量，构建扩展协方差矩阵并对建扩展协方差矩阵进行特征分解，得到相应的信号子空间和噪声子空间；再将L型阵列的X轴和Z轴各分成两个具有相同阵元数的不同但子阵，根据X轴的两个子阵的划分方式分别得到两个子阵对应的信号子空间，根据Z轴的两个子阵的划分方式分别得到Z轴的两个子阵对应的信号子空间；根据秩损失原理分别构造出一个信源参数估计器来估计出非相关分布源的两个中心DOA，并进行配对。本发明能够解决更加复杂的二维模型情况，并降低运算量和提高中心DOA的估计精度。
📄 2019111598736
📂 G01S3_00
👤 宁波大学
📅 2019-11-22
本发明涉及一种基于精确模型的近场EMVS‑MIMO雷达参数估计方法，包括：建立双基地EMVS‑MIMO雷达系统，利用平行因子分解以及电磁矢量内部信息对发射角，接收角，发射距离，接收距离，发射极化参数和接收极化参数进行估计，整个过程不需要进行谱峰搜索，计算复杂度低，其估计得到的参数能够自动配对，无相位模糊问题，准确率高，且适用于三维空间中任意阵元间距的几何阵列。
📄 2022113444128
📂 G01S7_41
👤 宁波大学
📅 2022-10-31
一种基于秩损原理的一维非相干分布式非圆信号参数估计方法，是将均匀线性阵列接收到的入射信号数据及接收到的数据共轭形成一个新的扩展数据矢量；基于新的扩展数据矢量，构建扩展协方差矩阵并对建扩展协方差矩阵进行特征分解，得到相应的信号子空间和噪声子空间；再将均匀线性阵列分成两个不同但具有相同阵元数的子阵，根据两个子阵的划分方式分别得到两个子阵对应的信号子空间；根据秩损失原理构造出一个信源参数估计器来估计出非相关分布源的中心DOA。本发明在均匀线性阵列下，将阵列分为两个可重叠的子阵并运用广义ESPRIT理论，通过充分利用非相干分布源的非圆信息来解耦多维参数的估计，能够降低运算量，并提高其中心DOA的估计精度。
📄 201911159869X
📂 G01S3_14
👤 宁波大学
📅 2019-11-22
本发明涉及一种基于二次相关运算的三维近场参数估计方法，包括：建立一个十字交叉阵列接收模型，所述十字交叉阵列接收模型由位于X轴上的均匀线阵和位于Y轴上的的均匀线阵组成，位于坐标原点处的阵元作为参考阵元；在三维直角坐标系中，设定存在K个近场目标，第k个近场目标Sk以电角{αk,βk}和距离rk入射到十字交叉阵列上，通过根据得到的无噪的协方差矩阵得出电角{αk,βk}的估计值，并结合MUSIC算法，进行一次一维谱峰搜索来得到距离rk的估计值。该方法计算复杂度显著降低，有着更高的参数估计精度。
📄 2022106019792
📂 G01S7_41
👤 宁波大学
📅 2022-05-30
本发明公开了一种高光谱图像去噪方法、装置及存储介质，将待去噪的高光谱图像数据输入预训练优化好的高光谱图像去噪模型，得到输出的经过去噪的高光谱图像结果；其中所述高光谱图像去噪模型的构建方法包括：首先利用低秩张量分解将噪声从原始图像中分离出来，得到退化模型；接着在模型中加入改进的加权的全变分正则器,充分表征高光谱图像波段之间的空间和光谱相关性；然后用L1范数来规范稀疏噪声，用F范数来规范高斯噪声；最后利用增广拉格朗日乘子法求解模型，结合输入带有稀疏噪声和高斯噪声的训练集图像，更新优化模型。本发明公开的高光谱图像去噪方法可以得到更好的恢复效果，在定量评价和视觉比较方面有明显的改善。
📄 2022103658313
📂 G06T5_00
👤 南京邮电大学
📅 2022-04-08
一种适用于超声图像去噪的自适应加权混合总变分方法,包括通过超声图像成像模型和已知的乘性高斯噪声分布，采用最大后验概率估计理论推导出适用于超声图像去噪的通用最小化凸能量泛函；将通用凸能量泛函的正则化项采用一阶总变分、二阶总变分和自适应加权函数融合形成自适应加权混合总变分项，从而得到本发明方法的凸能量泛函。将凸能量泛函采用Split‑Bregman算法进行最小化求解，迭代过程中交替实现超声图像的去噪和自适应加权函数的优化，最终得到的去噪超声图像在有效降低散斑噪声的同时能更好地保留超声图像细节和边缘信息，从而有效提高超声图像的视觉判读性。
📄 2020114968155
📂 G06T5_00
👤 三峡大学
📅 2020-12-17
本发明公开了一种基于卷积转置自注意力的红外图像去噪方法。首先通过成对的干净图像和带噪图像构建数据集；构建基于卷积转置自注意力的网络模型，网络模型采用对称的编码器‑解码器结构；基于构建好的红外图像训练数据集，对基于卷积转置自注意力的网络模型进行训练；最后采用测试数据集数据对训练好的网络模型进行测试。本发明引入了在红外图像去噪领域中尚未深入研究的自注意力机制对红外图像全局依赖关系进行建模，并在其基础上进行改进设计了卷积转置自注意力，在减少计算量的同时依然可以充分提取红外图像的空间特征信息，有效提高红外图像的去噪质量，填补了红外图像去噪的研究空缺。
📄 2024104161985
📂 G06T5_70
👤 淮安昆博信息科技有限公司
📅 2024-04-08
柿子坊 · 知识产权运营
柿子坊知识产权运营平台